ESTIMASI VALUE AT RISK RETURN PORTOFOLIO
MENGGUNAKAN METODE COPULA
FATIMAH ZUHRA, LIENDA NOVIYANTI, ACHMAD BACHRUDIN
Jurusan Statistika Terapan FMIPA Universitas Padjadjaran, Bandung
zuhra.fatimah18@gmail.com
ABSTRAK
Melakukan investasi saham dengan membentuk suatu portofolio yang memaksimalkan return dengan risiko minimal merupakan tujuan utama seorang investor. Risiko merupakan hal yang sangat penting yang harus di kelola dengan baik dalam sebuah investasi. Value at Risk (VaR) merupakan salah satu alat ukur risiko yang digunakan untuk memprediksi besarnya kerugian maksimum dari suatu portofolio yang dimiliki. Ada beberapa pendekatan yang digunakan dalam menghitung VaR antara lain historical simulation, varians-covarians, dan simulasi Monte Carlo. Melakukan perhitungan VaR terhadap indeks dua portofolio saham yang memiliki kebergantungan bukanlah hal yang mudah, karena sangat mungkin tidak ditemukannya distribusi bersama yang cocok untuk memodelkan hal tersebut. Teori copula merupakan alat yang sangat fundamental dan fleksibel dalam memodelkan suatu distribusi bersama. Di dalam copula tercakup distribusi gabungan dari masing-masing variabel dan kebergantungan di antaranya, sehingga copula merupakan alat yang tepat untuk memodelkan variable-variabel yang memiliki kebergantungan. Data penelitian terdiri dari indeks saham LQ-45 dan JII yang memiliki efek volatilitas sehingga dimodelkan ke dalam bentuk AR(1)-GARCH(1,1). Data dengan model AR(1)-GARCH(1,1) memiliki ukuran dependensi yang cocok pada model copula Gaussian yang memiliki nilai VaR terkecil dengan return terbesar ditunjukkan pada VaR untuk tingkat kepercayaan 95 %. Hal ini menyatakan bahwa pada tingkat kepercayaan 95% kerugian maksimalnya dapat mencapai Rp. 1754,9215 dengan t waktu satu hari.
Kata kunci :
Value at Risk, Copula, GARCH
1.
Pendahuluan
Membentuk sebuah portofolio merupakan usaha memaksimalkan tingkat
pengembalian (return) yang diharapkan dari investasi yang dilakukan dengan risiko
tertentu. Risiko merupakan hal yang sangat penting dalam investasi dan sering menjadi
pusat perhatian bagi para investor. Risiko dapat diartikan sebagai suatu peluang
terjadinya kerugian atau kehancuran. Alat ukur yang bisa digunakan untuk mengestimasi
risiko adalah Value at Risk (VaR). VaR telah menjadi standar model pengukuran risiko
secara internal (Internal Model Approach) sebagaimana ditetapkan Bank for International
BASEL II. Ada beberapa pendekatan untuk mengestimasi VaR, seperti metode
variance-covariance (metode analitik), data historis (historical simulation data) , dan simulasi Monto-Carlo.
Selama ini dalam perhitungan VaR menggunakan pendekatan variance-covariance
diasumsikan berdistribusi normal, padahal pada kenyataanya data keuangan banyak
ditemukan tidak berdistibusi normal. Hal ini dapat mengakibatkan tidak validnya estimasi
VaR yang mengakibatkan risiko portofolio yang terjadi lebih besar dari risiko yang telah
ditetapkan. Oleh karena itu perhitungan VaR seharusnya tidak selalu diasumsikan
berdistribusi normal melainkan disesuaikan dengan distribusi return. Sehingga untuk
mengatasi masalah tersebut maka muncullah metode Copula.
Kata Copulas berasal dari bahasa latin yang berarti hubungan, pertalian, ikatan.
Kata Copulas pertama kali digunakan pada bidang Matematika dan Statistika oleh Abe
Skalar yang dipopulerkan pada tahun 1959 dengan teorema (yang sekarang melahirkan
namanya) untuk menggambarkan sebuah fungsi distribusi dimensi-satu pada bentuk
fungsi distribusi Multivariat(Nelson, 2006). Selain itu Copula juga merupakan suatu alat
yang sangat powerful untuk memodelkan distribusi gabungan seperti pada penelitian ini
yang akan dilakukan analisis pada data indeks saham LQ-45 dan JII. Masing-masing
indeks saham ini memiki kebergantungan yang cukup kuat antara satu dengan yang lain.
Disaat terdapat pergerakan kenaikan nilai pada satu saham maka nilai saham yang lain
juga akan mengalami kenaikan, begitu juga sebaliknya disaat nilai saham turun maka
saham yang lain juga akan berpengaruh turun. Misalkan pergerakan pada sektor energi
akan sangat mempengaruhi saham-saham yang ada pada sektor industri, jasa, perbankan
dan sektor lainnya begitu juga sebaliknya.
Copula juga telah banyak digunakan dalam beberapa literatur dan penelitian
tentang statistik. Fortindan Kuzmics (2002) menggunakan kombinasi linear Copula untuk
mengestimasi VaR pada sebuah portofolio yang terdiri dari FSTE dan DAX indeks
saham. Rockinger dan Jondeau (2001) menggunakan Plackett Copula dengan proses
GARCH model menggunakan Studen-t. Nurzanah(2007) menjelaskan tentang konsep
Copula sebagai alat untuk mempelajari dependensi non linier antar kejadian dalam kasus multivariat, khusus membahas tentang aplikasi estimasi dependensi non linier untuk
menentukan tarif premi pada model double decrement benefit. Pada tulisan Palaro dan
Hotta (2006) menganalisis VaR dengan pendekatan Copula pada potrfolio saham Nasdaq
2.
Metode Penelitian
2.1 Teorema Sklar
Teorema 2.1.1 : (Nelsen, 2006)
Misalkan dan adalah dua buah peubah acak dengan fungsi distribusi kontinu
dan . Sedangkan , adalah fungsi distribusi bivariat untuk dan . Maka terdapat fungsi penghubung atau Copula C untuk semua , pada ,
( , ) = ( ), ( ) .
Sebaliknya, jika adalah suatu copula, dan merupakan fungsi distribusi marginal
dari dan , maka , adalah fungsi distribusi bivariat dengan fungsi distribusi marginal dan .
2.2 Keluarga Copula
Copula Gaussian
Copula Gaussian atau copula normal dikonstruksidari distribusi normal melalui
teori Sklar (1959).Diasumsikan dua random variabel X dan Y dimana kedua variabel
tersebut diasumsikan berdistribusi normal standar, ~ (0,1) dan ~ (0,1) dan
misalkan korelasi antara kedua X dan Y dinotasikan dengan ( , ) = . Distribusi
gabungan bisa dituliskan sebagai fungsi copula sebagai berikut: ( , ) = ( , ) = C (x), (y) .
Jika merupakan fungsi distribusi kumulatif bivariate standar normal dengan korelasi
, maka fungsi copula Gaussian adalah : (Nelson, 2006).
C ( , ) = ( ), ( ) ,
dengan , [0,1]dan menunjukkan fungsi distribusi kumulatif normal standar. Hasil
diferensial C merupakan fungsi densitas copula, yaitu:
C ( , ) = , , ( ( ), ( ))
merupakan fungsi densitas untuk Gaussian bivariat standar dengan koefisien korelasi
Pearson’s product moment dan adalah densitas normal standar.
Copula Student–t
Bivariate copulaStudent’s-t memiliki bentuk fungsi sebagai berikut :
, ( , ) = ( ) 1 +
( ) ( )
dengan adalah inverse dari distribusi univariat t dengan v adalah derajat kebebasan
(Palaro& Hotta, 2006).
Jika distribusi marginal dan adalah distribusi Student–t dengan v adalah derajat kebebasandan C adalah bentuk dari copula Student–t dengan parameter v dan , kemudian fungsi distribusi H di defenisikan oleh
( , ) = ( ( ) ( )).
Persamaan di atas merupakan distribusi standar bivariate studen –t dengan derajat
kebebasan yang sama untuk distribusi bivariate-t (Palaro& Hotta, 2006).
3.
Hasil dan Pembahasan
3.1 Deskripsi Data
Data yang digunakan pada penelitian ini adalah data indeks saham pada LQ-45 dan
JII. Data terdiri dari 1550 harga penutupan harian saham yang dimulai pada tanggal 16
Juli 2008 sampai 26 September 2014. Dinotasikan log-return dari LQ-45 sebagai variabel
1 dan log-return JII sebagai variabel 2. Gambar 1 merupakan plot dari kedua asset dan
tabel 1 merupakan analisis statistik deksriptif dari data asset.
0,050
Selain melihat dari pola penyebaran data maka analisis statistik deskritif juga
dilakukan untuk membentuk model time series persamaan mean dan variance dari
masing-masing return aset LQ-45 dan JII yang ditunjukkan pada Tabel 1 berikut.
Tabel 1 Analisis Statistik Deskriptif Return LQ-45 dan JII
Statistik LQ-45 JII
Mean 0.0006092 0.0003499
Median 0.0006233 0.0004375
Maksimum 0.0629100 0.002086
Minimum -0.0965300 -0.003232
Standar deviasi 0.0135238 0.0004690
Skewness -0.5390708 -0.581062
Kurtosis 8.532382 8.116755
Dilihat dari Tabel 1 menunjukkan bahwa skewness dan kurtosis untuk
masing-masing indeks aset cenderung tidak berdistribusi normal. Data return akan berdistribusi
normal jika memiliki nilai skewness sama dengan nol dan kurtosis sama dengan tiga.
Nilai skewness yang negatif menunjukkan prilaku sebaran data terdapat fat left tail pada
distribusi marginal indeks saham, dan hal tersebut didukung oleh data return
masing-masing aset yang miliki nilai mean yang lebih kecil dari median. Karena data return
dikatakan memiliki distribusi normal ketika memiliki nilai mean yang sama dengan
median.
Gambar 2 Plot Return LQ-45 dan JII
3.2 Identifikasi Model Return Portofolio
Langkah pertama yang digunakan untuk mengidentifikasi model pada penelitian ini
adalah dengan cara melihat ACF (Auto Correlation Function) dan PACF (Partial Auto
Correlation Funtion) dari masing-masing return portofolio. Dilihat pada Gambar 4 menunjukkan plot ACF berbentuk dies down (menurun) mengikuti bentuk eksponensial,
sedangkan plot PACF berbentuk cut off (terputus) setelah lag pertama. Maka dapat
Gambar 3 Plot ACF dan PACF Return Indeks Saham LQ-45 dan JII
Selain itu penentuan orde terbaik model ARMA akan diuji dengan menggunakan
metodeAkaike’s Information Criteria(AIC) sebagai ukuran kesesuain untuk memperoleh
model terbaik dari masing-masing return aset LQ-45 dan JII. Sehingga akan membentuk
model ARMA dengan rumusan sebagai berikut :
= +
=
= + ,
dengan perhitungan akan diperoleh dari masing-masing parameter:
= 8.653 04 + 0.07403 = 5.032 05 + 0.04792 .
Berdasarkan hasil uji analisis diagnostik residual ternyata residual return
masing-masing indeks saham LQ-45 dan JII memiliki varians yang tidak konstan, sehingga data
akan dikategorikan ke dalam model heteroskedastisitas dan dimodelkan menjadi model
= + + ,
sehingga didapat nilai dari masing-masing parameter sebagai berikut :
,( )= 4.161 06 + 0.07698 , + 0.8986 ,
,( )= 5.198 09 + 0.09129 , + 0.8874 , .
Setelah mendapatkan model dari masing-masing fungsi marginal dari indeks aset
LQ-45 dan JII maka tahapan selanjutnya adalah melakukan uji normalitas terhadap nilai
residual dari masing-masing indeks saham. Gambar 4.5 juga menunjukkan QQ-plot dari
residual return aset LQ-45 dan JII dilihat dari sebaran data maka data cenderung tidak
mengikuti garis linear sehingga data kurang cukup baik jika dimodelkan menggunakan
distribusi normal.
Gambar 4. Q-Q Plot Residual Return Aset LQ-45 dan JII
3.3 Struktur Dependensi Model Copula
Pada tahapan sebelumnya telah diperoleh model terbaik dari masing-masing indeks
saham yaitu model AR(1)-GARCH(1,1) dan didapat parameter model marginal aset maka
tahapan selanjutnya adalah menentukan struktur depedensi antar masing-masing aset
Gambar 5 Plot Residual dan Plot Transformasi Residual Indeks Aset LQ-45 dan JII
Gambar 5 menunjukkan struktur dependensi dari indeks aset LQ-45 dan JII dengan
menggunakan residual yang diperoleh pada permodelan marginal dengan model
timeseries AR(1)-GARCH(1,1) yang terlihat data residual masing-masing indeks saham belum membentuk sebuah pola yang baik karena data hanya berkumpul pada satu titik
sebaran. Sehingga perlu dilakukan proses transformasi pada data residual tersebut.
Tahapan selanjutnya adalah mentransformasi residual model AR(1)-GARCH(1,1) yang
terstandarisasi menjadi distribusi uniform.
Proses transformasi dilakukan karena jika hanya menggunakan visualisasi dari
sebaran data residual untuk mengukur dependensi antar variabel acak maka contour dari
struktur depedensi tidak akan terbentuk. Selanjutnya adalah menentukan nilai dari
parameter copula. Metode yang digunakan untuk menentukan nilai parameter copula
adalah IFM, metode IFM adalah salah satu metode yang digunakan untuk mencari
parameter dengan diketahui terlebih dahulu apa fungsi marginal kontinunya dengan dua
tahapan estimasi. Tahapan pertama yaitu mengestimasi nilai parameter fungsi distribusi
marginalnya dilanjut pada tahapan kedua dengan memprediksi parameter copula. Tabel 2
adalah hasil estimasi parameter dari masing-masing copula yaitu Gaussian, copula
Clayton, copula Frank, copula Gumbell.
Tabel 2 Parameter Copula Gaussian, Clayton, Frank, Gumbell
Copula Parameter
Copula Gaussian = 0.08268185
Copula Clayton = 0.01058321
Copula Frank = 0.04761147
Seperti yang dijelaskan sebelumnya metode yang digunakan untuk pemilihan
copula terbaik adalah metode AIC atau kuadrat selisih antara nilai copula asli dengan
copula empirik.Pada dasarnya AIC membantu dalam penentuan model yang paling mirip
dengan realita yang dapat digunakan pada suatu fungsi yang tidak diketahui namun dari
fungsi tersebut dapat diestimasi parameternya sehingga dapat dilakukan pencarian
log-likelihoodnya. Nilai AIC yang dihasilkan dari data yang sama, semakin kecil nilainya
maka semakin baik model tersebut. Berikut ini Tabel 3 yang menunjukkan hasil dari
masing-masing perhitungan metode AIC dan kuadrat selisih dengan copula empirik.
Tabel 3 Nilai Selisih Masing-Masing Copula dengan Copula Empirik
Copula Metode AIC Kuadrat Selisih Copula Empirik
Copula Gaussian 0.416 0.4475
Copula Clayton 1.998 0.8994
Copula Frank 1.105 0.5928
Copula Gumbell 1.874 0.9723
Pada metode kuadrat selisih dengan copula empirik diperoleh nilai terkecil pada
copula Gaussian dan Frank, begitu juga hasil perhitungan dengan menggunakan metode
AIC nilai terkecil ditunjukkan pada copula Gaussian dan Frank. Namun untuk menghitung
nilai VaR maka hanya dipilih satu copula terbaik saja, maka berdasarkan hasil
perhitungan dari kedua metode tersebut maka copula Gaussian yang sangat cocok menjadi
model copula terbaik sebagai ukuran dependensi dari data yang dimiliki.
3.4 Perhitungan VaR dengan Copula
Setelah mendapatkan copula terbaik maka copula tersebutlah yang akan digunakan
dalam proses pembangkitan data menggunakan simulasi monte carlo untuk menghitung
nilai VaR. Return aset pertama adalah , dan , merupakan return aset kedua
masing-masing pada waktu ke-t untuk data yang telah dibangkitkan menggunakan copula
Gaussian. Langkah-langkah dalam perhitungan VaR portofolio dengan metode
dependensi copula adalah sebagai berikut :
• Gunakan simulasi monte carlo untuk membangkitkan 1551 data bangkitan untuk 1000 kali pengulangan copula Gaussian sebagai copula terbaik yang telah
ditentukan sebelumnya.Simulasi berasal dari copula yang didefenisikan pada
distribusi uniform [0,1] yaitu u dan v.
• Diperoleh nilai dari bangkitkan return bivariat , , , untuk = 1,2, , .
menyatakan invers dari fungsi distribusi marginal parametrik dari , dan ,
dengan model marginal dari data return adalah AR(1)-GARCH(1,1).
Tahap selanjutnya menghitung return portofolio , = , + , dengan
, merupakan stok indeks ke-i pada waktu ke-t, dan = sehingga nilai portofolio
dapat ditetapkan dengan rumusan , = , + , . Hitunglah fungsi loss return
portofolio pada waktu-t dengan rumus, , = , , . Setelah mendapatkan nilai
dari fungsi loss return portofolio pada waktu ke-(t+1), sehingga akan diperoleh fungsi
distribusi dari nilai loss return portofolio. Berikut plot dari fungsi loss return portofolio
dengan tingkat kepercayaan 5%.
Gambar 6 Histogram Distribusi Loss Return Portofolio dengan = 5% & 10%
Dari Gambar 6 dapat dilihat secara visualisasi plot sebaran data dari nilai loss
return portofolio dengan tingkat kepercayaan 95 % dan 90% yang cenderung berdistribusi normal.
Tabel 4 Nilai prediksi VaR t = 1 hari dengan bobot 0.5 Tingkat
kepercayaan
Return Portofolio
Nilai %
Return
% 0.002898 1782.9211
% 0.035201 1754.9215
% 0.021140 1761.6380
Berdasarkan hasil perhitungan nilai VaR dengan ukuran dependensi copula
Gaussian diperoleh nilai VaR dengan tingkat kepercayaan 99 %, 95 % da 90 % yang
tunjukkan pada Tabel 4 . Nilai VaR terkecil dengan return terbesar ditunjukkan pada VaR
1.000.000,- pada tingkat kepercayaan 95% kerugian maksimalnya dapat mencapai
Rp.1754,9215 dalam prediksi waktu satu hari.
4.
Kesimpulan
Berdasarkan hasil pembahsan pada bab sebelumnya maka diperoleh beberapa
kesimpulan antara lain adalah data saham yang digunakan adalah indeks daham LQ-45
dan JII yang memiliki efek time series dan efek heteroskedastisitas sehingga pada saat
identifikasi data disimpulkan membentuk model AR(1)-GARCH(1,1) dengan order
terbaikadalah orde pertama. Selain itu pada saat uji diagnostik residual ternyata residual
data memiliki model yang tidak normal. Karena data menunjukkan nilai residual yang
tidak normal maka copula hadir sebagai alat yang mampu mengukur ukuran dependensi
dengan model yang tidak normal. Ukuran dependensi pada data di bentuk dengan model
copula dan copula yang digunakan adalah copula Gaussian, Frank, Clayton dan copula
Gumbell. Setelah dilakukan pemilihan model copula terbaik dengan menggunakan metode
AIC dan kuadrat selisih terkecil maka model copula terbaik adalah copula Gaussian. Nilai
VaR terkecil dengan return terbesar ditunjukkan pada copula Gaussianyaitu nilai return
0.035201 untuk nilai VaR Rp.1754,9215 dan tingkat kepercayaan 95 %. Hal ini
menyatakan bahwa dengan modal Rp. 1.000.000,- dan tingkat kepercayaan 95 %
kemungkinan portofolio itu akan mengalami kerugian maksimal sebesar Rp.1754,9215.
DAFTAR PUSTAKA
Best, Philip. 1998. Implementing Value at Risk. John Wiley & Sons Ltd. England.
Bollerslev,T.,1986, Generalized Autoregressive Conditional Heteroskedasticity, journal of Econometrics, 31, 307-327.
Darmawi, Herman. 2010. Manajemen Risiko. Bumi Aksara. Jakarta.
Elton, E.J., & Gruber, M.J., 1991, Modern Portfolio Theory and Investment Analysis, John Wiley and Sons.
Engle, R.F, 1982, Autoregressive Conditional Heterocedasticity (ARCH) with Estimates of the Variance of uneted kingdom inflation. Journal of Econometrics 50, 987-1007.
Engle, R.F, Sergio, M.F. dan Frank, J.F. (2007). ARCH/GARCH Models in Apllied Financial Econometrics.
Fortin, Ines., and Kuzmics, C. 2002. Tail dependence in stock return pairs. International journal of intelligent systems in accounting, Finance & Management. Cambridge University.
Habiboellah, Farzia. 2007. Modeling Dependencies in Financial Risk Management. Thesis. Purmenrend.
Harper, D. 2004. “Introduction to Value at Risk (VaR)”.Investopedia. URL
Jorion, Philippe. 2007. Value at Risk, the New Benchmark for managing Financial Risk. McGraw-Hill. America.
McNeil, A., R. Frey, & P. Embrechts (2005). Quantitative Risk Management : Concepts, Techniques and Tools. Princeton University Press. Princeton and Oxford.
Nelson, R.B. 2006. An Introduction to Copulas. Springer. New York.
Nurzanah, Elis. 2007. Estimasi Copula Bivariat dan Aplikasi pada double decrement. ITB. Tugas Akhir.
Ochtora, D.M. 2014. Copula bersyarat untuk mengestimasi velue at risk. UGM. Tugas Akhir.
Palaro, Helder., & Hotta, Luiz. 2006. Using Conditional Copula to Estimate Value at Risk. Journal of Data Science. State University of Campinas.
Plackett, R. L. 1956. A Class of Bivariate Distribution. Journal of American Statistical Association.
Rao, Chetan. 2010. Report on Application of Probability in Risk Analysis in Oil and Gas Industry. Working paper.
Rockinge, Micheal., and Jondeau, E. 2001. Conditional dependency of financial series: the copula-GARCH model. Paper NER, Banque de France. Paris.
Sathe, Saket. 2010. Methods in Quantitative Risk management. Disertasi. Indian Institute of Technology. Bombay.
Tsay, R.S. 2005. Analysis of Financial Time Series Second Edition. John Wiley & Son, Inc., New Jersey.
Tse, Y.K. (2009), Nonlife Actuarial Models, Cambrige:Cambrige University Press Wong, M.C.S, Cheng, W.Y & Wong, C.Y.P. (2003). Market Risk Management of Bank:
